GUIDA della Società

Cosa dice la ricerca sull'intelligenza artificiale e sulla produttività sul posto di lavoro

Gli esperimenti controllati dimostrano che l'IA generativa può rendere i lavoratori notevolmente più veloci e migliori in compiti specifici come il supporto clienti, la scrittura e alcuni codici, con i maggiori guadagni che di solito arrivano ai lavoratori meno esperti.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina4 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il Futuro di ciò che la Ricerca Dice sull'IA e sulla Produttività sul Lavoro
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

I guadagni sono disomogenei, tuttavia. L'IA può rendere le persone peggiori su compiti al di fuori delle sue capacità, e studi più ampi su intere forze lavoro ed economie finora trovano effetti molto più piccoli rispetto a quelli dei laboratori e degli studi su singoli compiti.

Immersione profonda

The best-known evidence comes from field and controlled experiments on well-defined tasks. Erik Brynjolfsson, Danielle Li and Lindsey Raymond studied more than 5,000 customer support agents who were given an AI assistant. On average they resolved about 14 percent more issues per hour. Novice and lower-skilled agents gained around 34 percent, and the most experienced agents gained little. The researchers argue the AI spread the know-how of top performers to everyone else. Shakked Noy and Whitney Zhang, publishing in Science in 2023, found that ChatGPT cut the time college-educated professionals spent on writing tasks by about 40 percent and raised rated quality by about 18 percent. A GitHub Copilot experiment found developers finished a set programming task about 55 percent faster. The 2023 Boston Consulting Group study with Harvard and other researchers added an important caveat, which it called the 'jagged technological frontier'. On tasks inside the AI's abilities, consultants with GPT-4 finished more tasks, faster and at higher quality. On a task designed to sit outside those abilities, they were less likely to get the right answer than consultants without AI, because they trusted plausible but wrong output. More recent findings are more modest. In a 2025 randomized trial by METR, experienced developers working in their own large codebases were about 19 percent slower with AI tools while believing they had been faster. Studies of whole labor markets, such as research on Danish workers, have found small effects on earnings and hours so far. Why the gap? Experiments isolate tasks that suit AI. Real jobs mix many tasks, time saved is not always reused productively, and organizations need to redesign workflows before gains show up. Economists saw a similar lag in measured productivity after electricity and computers arrived. The common misconception is that one headline percentage applies to every job.

Implementazione nel mondo reale

In uno studio di supporto clienti di larga scala, gli agenti che hanno ricevuto un assistente AI hanno risolto più problemi all'ora in media, e i nuovi agenti, i meno esperti, hanno mostrato il miglioramento più significativo.

In un esperimento con compiti di scrittura professionale, i partecipanti che hanno usato ChatGPT hanno finito più rapidamente e hanno prodotto lavori che i valutatori hanno giudicato di qualità superiore.

I consulenti del Boston Consulting Group hanno ottenuto risultati migliori con GPT-4 su compiti entro le capacità dell'IA, ma erano più propensi a raggiungere risposte errate su un compito deliberatamente progettato per essere al di fuori di esse.

Gli sviluppatori open-source esperti in un trial randomizzato del 2025 di METR hanno impiegato più tempo a completare i compiti con gli strumenti AI, anche se credevano che gli strumenti li avessero resi più veloci.

Il Futuro di ciò che la Ricerca Dice sull'IA e sulla Produttività sul Lavoro

La base di evidenze sta crescendo rapidamente e i modelli studiati nel 2023 sono già obsoleti, quindi i risultati potrebbero cambiare man mano che gli strumenti, la formazione e i flussi di lavoro migliorano. Le domande aperte principali sono se i guadagni a livello di compito si sommano a una crescita della produttività a livello aziendale e nazionale, se i benefici continuano a concentrarsi tra i lavoratori meno esperti e come la perdita di competenze o l'eccessiva dipendenza influenzano le persone a lungo termine. I ricercatori attenti prevedono un ritardo simile a quello osservato con le precedenti tecnologie a uso generale. Trattate con cautela sia i numeri molto elevati sia quelli quasi nulli fino a quando non saranno disponibili dati a lungo termine e a livello di economia.

Metterlo in pratica

Perché è importante

  • Rischio e sicurezza. I danni catastrofici e quotidiani dell’IA dipendono entrambi da chi comprende i rischi e da chi può agire.
  • Decisioni più chiare. L’alfabetizzazione pubblica e professionale determina la possibilità politica di una forte politica di sicurezza.
  • Tagliare il clamore. Spiegazioni chiare riducono la cattura da parte di montature pubblicitarie, PR di laboratorio e vaghi teatrini etici.

Attenzione

  • Trattare il rischio esistenziale come fantascienza mentre le capacità si aggravano.
  • Confondere la sicurezza del prodotto superficiale con l'allineamento in condizioni di elevata autonomia.
  • Lasciando il pubblico non inglese e non esperto solo con fonti di bassa qualità.

Prossimi passi

  1. Separare i rischi di danni al prodotto, uso improprio e perdita di controllo/disallineamento.
  2. Chiedi quali prove cambierebbero la tua opinione sulle tempistiche e sulla gravità.
  3. Preferire fonti primarie e valutazioni concrete alle affermazioni di marketing.
  4. Identifica un percorso d’azione: carriera, politica, finanziamenti o competenze, non solo consapevolezza.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Fai il quiz "What Research Says About AI and Workplace Productivity"

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Che cos'è "What Research Says About AI and Workplace Productivity"?

Esperimenti controllati sul campo mostrano che l'IA generativa può rendere i lavoratori notevolmente più veloci e migliori in compiti specifici come l'assistenza clienti, la scrittura e parte della programmazione, con i guadagni più grandi solitamente per i lavoratori meno esperti. Tuttavia i guadagni sono disomogenei. L'IA può peggiorare le prestazioni delle persone su compiti al di fuori delle sue capacità, e gli studi ampi su intere forze lavoro ed economie finora trovano effetti molto più piccoli rispetto a quelli dei laboratori e degli studi su compiti singoli.

Nello studio di Brynjolfsson, Li e Raymond sull'assistenza clienti, quali agenti hanno beneficiato di più dall'IA?

Gli agenti novizi e a bassa qualifica hanno migliorato di circa il 34 per cento, mentre gli agenti più esperti hanno guadagnato poco. Il guadagno medio è stato di circa il 14 per cento.

What did Noy and Zhang's 2023 Science study find about ChatGPT on writing tasks?

Professionals finished writing tasks much faster, and graders rated the quality higher.

What does the 'jagged technological frontier' describe?

AI's abilities are uneven. Inside the frontier it helps, and outside it people who trust it can do worse.

In the BCG study, what happened on the task designed to fall outside AI's abilities?

Consultants using GPT-4 on that task were less likely to be correct, because they trusted plausible but wrong output.

What did METR's 2025 randomized trial with experienced developers find?

Measured completion times were slower with AI, yet the developers believed it had sped them up. This shows how unreliable self-reports can be.